CPS(Cyber-Physical System),即信息物理融合系统。它是一个多学科交叉的新兴研究领域,融合了计算科学、控制理论、通信工程等多门学科技术。系统通过传感器感知环境的实时状态数据,根据数据判断环境状态以及对不同事物的影响,最后做出不同的决策和控制。判断结果的准确性会直接影响到决策和控制的准确性,从而对整个系统的可靠性和准确性产生影响。因此如何从采集的数据中得到准确的判断结果具有很重要的意义。数据异常检测技术和数据融合技术是CPS系统中处理数据的两大关键技术。异常检测技术可以排除错误数据;数据融合技术可以根据不同属性的数据得出一个对不同事物影响的综合判断结果。本文主要的研究内容如下:(1)提出了基于环境属性相关性的异常检测方法。针对传统面向数据时空属性的单属性异常检测方法,无法有效地检测出多属性关联场景里的数据错误问题,本论文通过数据挖掘技术,根据事件异常数据挖掘出检测属性中的关联属性,并建立对应的关联规则;针对每一条关联规则,利用BP神经网络建立数据预测模型,根据预测模型对采集的多维属性数据做多属性关联的异常检测。实验表明该算法具有更好的准确性。(2)提出了基于模糊集理论和D-S证据理论的数据融合技术。D-S证据理论是决策层数据融合的核心技术方法,但它不能有效地处理冲突证据,改进方法都是从理论出发,单独从数据角度来确定证据的可信度,没有与CPS应用场景结合,这些改进不能直接应用于CPS系统。本文采用模糊集理论,结合属性的权重来确定证据的基本概率分配;并根据传感器节点采集的历史数据建立节点数据的可信度,把可信度作为证据的权值,对基本概率进行加权求和,最后采用D-S证据合成方法进行数据融合,根据决策判断规则得出最后结果。通过实例数值计算分析证明了有效性。(3)最后设计实现了一个传感器数据融合子系统。以无人机状态监测系统为例,系统根据无人机自身的各种状态数据以及无人机工作环境的状态数据,采用上述的异常检测方法和数据融合方法,对无人机的健康状态和工作状态做出一个准确的综合判断。